Máster Universitario en Data Science La Salle Campus Barcelona URL

Máster Universitario en Data Science

Conviértete en un experto en analizar, estructurar, filtrar, visualizar y poner en valor la producción de datos generados

Inteligencia artificial para la ciencia de los datos

Descripción
En la ciencia de los datos es imprescindible aplicar la inteligencia artificial, en concreto el Aprendizaje automático, como métodos de análisis de los datos. Estos métodos permiten explicitar el conocimiento de la base de conocimiento. En esta asignatura, como continuación de la asignatura MD005 Sistemas Basados en el Conocimiento, se trabajarán métodos de aprendizaje automático profundos (e.g. Bagging/Boosting, Computación Evolutiva y Deep Learning), y otros métodos que no se hayan introducido en el Semestre 1 (como Support Vector Machines o Association Rules). Asimismo, se realizará un proyecto juntamente con la asignatura MD009 - Herramientas avanzadas de análisis de datos aplicando todas las técnicas basadas en estadística o aprendizaje automático vistas hasta el momento, con la finalidad de resolver un problema concreto. Será como un mini Trabajo Final de Máster realizado en grupo.
Tipo asignatura
Primer - Obligatoria
Semestre
Segundo
Curso
1
Créditos
5.00

Profesores Titulares

Conocimientos previos

Las materias del módulo de Ciencia de los Datos del primer semestre del MUDS o equivalente. Conocimientos básicos de programación.

Objetivos

Los objetivos se centrarán en:
• Conocer el alcance de la Inteligencia artificial, en concreto el Aprendizaje automático, en la Ciencia de los Datos.
• Ser conocedores de los requerimientos computacionales y de la calidad de las soluciones de los diferentes métodos.
• Ser conocedores de los métodos de aprendizaje automático profundos. Bagging/Boosting, Deep Learning y Computación Evolutiva. Usando Python y sus librerías.
• Ser conocedores de un mapa global: qué técnica usar, dado un problema y dado un conjunto de datos.

Contenidos

TEMARIO

1. Bagging & Boosting
2. Neural Networks. Deep Learning
3. Computación evolutiva. Algoritmos genéticos
4. Support Vector Machines
5. Association Rules
6. Proyecto (proyecto conjunto con la asignatura MD009 - Herramientas avanzadas de análisis de datos)

Nota: los temas pueden ajustarse y/o modificarse a criterio de la coordinación del máster.

Metodología

La metodología usada combina las clases magistrales, la resolución de ejercicios, la participación del alumnado y el desarrollo de un proyecto. Para el alumno/a ello conllevará tanto trabajos individuales como trabajos en grupo, así como ejercicios conceptuales, ejercicios implementados, presentaciones orales y presentaciones escritas.

Evaluación

Evaluación continua
Esta asignatura se evaluará de manera continuada a partir de ejercicios, trabajos, prácticas y presentaciones en clase.
La nota final será una ponderación de dos bloques:
- Ejercicios: 60%
- Proyecto: 40%

Criterios evaluación

Evaluación continua
Esta asignatura se evaluará de manera continuada a partir de ejercicios, trabajos, prácticas y presentaciones en clase.
La nota final será una ponderación de dos bloques:
- Ejercicios: 60%
- Proyecto: 40%

Convocatoria extraordinaria
Se determinará el examen y/o trabajos de convocatoria extraordinaria desde la coordinación de la asignatura.

Normativa de copias
La asignatura se rige por la normativa de copias general de La Salle Campus BCN:
https://www.salleurl.edu/es/normativa-de-copias
Las actividades formativas se considerarán que tienen la siguiente categoría:
• Ejercicios: moderadamente significativa
• Proyecto: altamente significativa
• Evaluación Final: altamente significativa

Bibliografía básica

La bibliografía se irá detallando a lo largo de la asignatura.

• Apuntes de clase
• Documentación y artículos subidos a la Intranet (eStudy)

Material complementario

Todo el material de clase (presentaciones, ejercicios, artículos, documentos, etcétera) se compartirán en la carpeta de la asignatura de la Intranet de La Salle: eStudy.